AI トーキングフォト：静止画を話させる

AI トーキングフォトは、静止画を取り込み、顔を喋らせる仕組みです。モデルは音声トラックを読み取り、どの口の形がどの音に対応するかを判断して、顔が言葉を話しているように見えるようにアニメーションさせます。その結果、画像ではなく短いクリップが得られます。

検索語の背後には、まったく異なる二つのものがあります。一つは、家族や友人など実在の人物の写真を、楽しみのために喋らせるものです。もう一つは、ご自身がデザインしたキャラクターのクリップを喋らせるものです。RYLA は後者のために作られています。ご自身で作成する架空の AI キャラクターを扱うためのもので、同意していない実在の人物に言葉を言わせるための道具ではありません。

Avatar Video は、ポートレート画像と音声を受け取り、喋るクリップを作成します。音声は録音ファイル（MP3、WAV、M4A）としてアップロードします。RYLA は音声をクローンしません。そのため、録音は使用する権利のある音声である必要があり、本人の同意なしに他人の声を真似ることは決してしないでください。

画像はキャラクターのものを使います。まだ無い場合は、先に AI インフルエンサージェネレーター で作成するか、AI 写真ジェネレーター で新しいポートレートを作ってください。クリップは 5 秒または 10 秒で、音声は最大 15 秒なので、セリフに合う長さを選んでください。Avatar Video は Pro 限定で、クリップごとにクレジットを使用します。スタンダード品質は一秒あたり 80 クレジット、高品質モードは 150 クレジットで、選んだクリップの長さに対して課金されます。各プランに含まれる内容は 料金プラン をご覧ください。

弱い結果の多くは、ツールではなく入力に原因があります。次の習慣が役立ちます。

• 正面を向いた顔を選ぶ。 横を向いている、手で隠れている、フレームで切れている顔は、モデルが動かせる情報が少なくなります。
• 口を大きく開けたり、きつく閉じたりした画像を避ける。 力の抜けた、わずかに閉じた口は、自然な動きの余地を残します。
• 均一な光を使う。 口の上に強い影があると、動きがにじんで見えます。
• 音声はクリーンに保つ。 一人の声、音楽なし、エコーなし。ノイズは唇と合わせるのが困難です。
• 落ち着いたペースで話す。 短い音が多い速い話し方は、一定の声より合わせるのが難しくなります。
• 短く保つ。 十から十五語なら 5 秒のクリップに収まり、テストを小さく保てます。長いメッセージは複数のクリップをつなげてください。
• 最初の結果は下書きとして見る。 画像か音声のどちらか一つを変えて、もう一度生成してください。

以下の例文は短いクリップ向けに書かれています。ご自身で録音してアップロードしてください。

口の動きは撮影されたものではなく、生成されたものです。音に沿って動きますが、特に速い話し方、珍しい音、口が見えにくい画像では、わずかにずれて見えることがあります。頭や体の動きは小さめです。喋る写真は、短く表現力のあるクリップとして扱い、撮影されたプレゼンターの代わりとは考えないでください。

RYLA は、架空の成人の AI キャラクターの画像とクリップを作成します。Avatar Video は Pro 限定です。ご本人の同意なしに他人の写真を使わないでください。また、喋る写真を使って他人の真似をしたり、視聴者を欺いたり、実在の人物が言っていないことを言っているように見せたりしないでください。未成年者が関わるものは決して作成されません。喋るクリップを公開する場合は、AI で生成されたものであることを明記するのが望ましい方法です。